هل تعني تقنية TurboQuant الجديدة من Google أن الحفلة قد انتهت بالنسبة لشركة Micron؟

قبل أكثر من عام بقليل، أطلقت شركة صينية لصناديق التحوط الكمية تحولت إلى مختبر ذكاء اصطناعي نموذجًا متقدمًا للذكاء الاصطناعي اسمه DeepSeek. ورغم وجود بعض الجدل حول مدى تدرب DeepSeek بتكلفة منخفضة وباستخدام أي شرائح، فلا شك في أن DeepSeek قدم ابتكارات جديدة عززت كثيرًا كفاءة تدريب نموذج ذكاء اصطناعي بكميات أقل من أشباه الموصلات و"الأقل جودة".

تراجعت أسهم أشباه الموصلات والذاكرة الخاصة بالذكاء الاصطناعي بشكل حاد عقب الخبر، بناءً على الانطباع السطحي بأن شركات الذكاء الاصطناعي لن تحتاج لشراء عدد كبير جدًا من شرائح منطق وذاكرة. لكننا نعرف الآن أن هذه الأسهم عادت لاحقًا إلى الارتفاع، بل وأكثر، إذ لم تُعطّل زيادة كفاءة النماذج طلب الشرائح. بل على العكس، استخدمت شركات الذكاء الاصطناعي مكاسب الكفاءة للاستثمار في نماذج أكثر تقدمًا، ما زاد الطلب الإجمالي على القدرة الحاسوبية والذاكرة.

في الأسبوع الماضي، أصدرت Alphabet’s (GOOG +5.02%) (GOOGL +5.10%) Google Research TurboQuant، وهي تقنية ضغط ذاكرة للذكاء الاصطناعي تعتمد على البرمجيات وتمكّن من استدلال أكثر كفاءة مع ذاكرة أقل بكثير. وبالرد على ذلك، تراجعت بشكل حاد شركات الذاكرة الكبرى مثل Micron (MU +4.80%) ومورّدوها.

لكن هل هذه مجرد لحظة DeepSeek أخرى ينبغي على المستثمرين الشراء فيها؟

Expand

NASDAQ: MU

Micron Technology

التغير اليومي

(4.80%) $15.46

السعر الحالي

$337.26

أهم النقاط

القيمة السوقية

$381B

نطاق اليوم

$311.50 - $337.70

نطاق 52 أسبوعًا

$61.54 - $471.34

الحجم

3.1M

متوسط الحجم

40M

الهامش الإجمالي

58.54%

عائد التوزيعات

0.18%

ما هو TurboQuant؟

يُحسّن TurboQuant بشكل كبير السعة ويسرّع كاش القيمة-المفتاح (KV cache) في استدلال الذكاء الاصطناعي. إن KV-cache هو نوع من الذاكرة يمكّن خوارزمية ذكاء اصطناعي من الاحتفاظ بالسياق السابق دون إعادة حساب كل الرموز السابقة لتوليد رموز جديدة. ونتيجة لذلك، تُعد KV-cache بمثابة نوع من “قصة” لمخرجات الذكاء الاصطناعي السابقة.

لكن إذا كانت KV-cache هي “قصة” السياق الماضي، فإن TurboQuant هو “ملخص” سريع ودقيق لتلك القصة.

وبمصطلحات مبسطة، يعمل TurboQuant على النحو التالي. يفهم نموذج الذكاء الاصطناعي السياق عبر تخزين البيانات كمتجهات، أو مخططات متعددة الأبعاد مع عدة “embeddings”، أو نقاط ضمن محور X-Y-Z. فالرمز الذي يمتلك متجهًا مشابهًا لآخر يعني أنه يحمل علاقة مشابهة.

وللتبسيط، لِنفترض مستوى X-Y. لذا قد يُحدَّد embedding واحد باتجاه مثل: “اذهب ثلاث مساحات شرقًا وأربع مساحات شمالًا”.

يُبسّط TurboQuant هذه الأوامر عبر القول: “اذهب خمس مساحات عند 37 درجة باتجاه الشمال الشرقي”. هذا يقلل كثيرًا من الحسابات اللازمة لفهم السياق، رغم أنه قد يؤدي إلى أخطاء متبقية. ثم يضع TurboQuant آلية تصحيح أخطاء بدقة 1-bit تعمل على تنظيف ذلك. وحتى مع وجود البت الإضافي، تستخدم هذه التقنية ذاكرة أقل بكثير من طريقة الإحداثيات القياسية XYZ للمتجهات في الذكاء الاصطناعي.

ونتيجة لتصحيح الأخطاء، تدّعي Google Research أن TurboQuant يمكنه زيادة سعة KV-cache بمقدار ست مرات، مع جعل استدلال الذكاء الاصطناعي أسرع بمقدار ثماني مرات أيضًا – كل ذلك دون أي فقد في الدقة.

TurboQuant يعجّل باستدلال الذكاء الاصطناعي. مصدر الصورة: Getty Images.

كيف سيؤثر TurboQuant على ذاكرة الذكاء الاصطناعي

إذا كان استدلال الذكاء الاصطناعي يستطيع استخدام ذاكرة DRAM أقل بمقدار ست مرات والعمل بسرعة أكبر ثماني مرات، فالفكرة هي أنه قد يكون هناك طلب أقل على الذاكرة في تطبيقات الاستدلال المستقبلية.

يبدو هذا تبسيطًا إلى حد ما، رغم وجود سيناريو سلبي محتمل. أحد المخاطر هو أن حصة سوق استدلال الذكاء الاصطناعي قد تنتقل من وحدات معالجة الرسوميات (GPUs) باهظة الثمن ذات الذاكرة عالية النطاق الترددي (HBM) إلى وحدات المعالجة المركزية (CPUs) التي تعمل على “ذاكرة خادم” “تقليدية” مثل DDR5 أو MRDIMM.

تكون HBM أسرع بكثير من هذه الأنواع الأقدم من الذاكرة، لكنها تستطيع الاحتفاظ بسياق أقل وهي أكثر تكلفة بكثير. وبسبب الزيادة الثمانية أضعاف في سرعة KV cache بفضل TurboQuant، قد تتمكن شركة ترغب الآن في استخدام العديد من وكلاء الذكاء الاصطناعي مع الاستدلال على كمية كبيرة من البيانات، مثل مستند قانوني من 1,000 صفحة، من نشر DDR5 أو MR-DIMM بشكل أكثر فعالية. وحتى لو تم تعزيز HBM أيضًا بواسطة TurboQuant، فقد تكون الأشكال الأقدم من الذاكرة المستخدمة في وحدات المعالجة المركزية “كافية بالسرعة” للمؤسسات الكبيرة التي تتطلع إلى خفض التكاليف.

كانت HBM أحد العوامل الرئيسية في أزمة توريد الذاكرة الحالية، إذ يمكن أن يتطلب إنتاج بت من HBM ثلاث إلى أربع مرات من المعدات مقارنةً بـ “الذاكرة التقليدية”. لذا من الممكن أن يؤدي انتقال الطلب إلى ذاكرة تقليدية أكثر في الاستدلال إلى ألا تكون سوق الذاكرة مقيدة بالإمداد بنفس الدرجة.

لكن القصة الصاعدة هي الأرجح

على الرغم من أن TurboQuant يشكل مخاطرة محتملة لسوق HBM، التي تستحوذ على معظم إمدادات الصناعة، لا يزال هذا المستثمر يعتقد أن سيناريو صاعد هو الأكثر احتمالًا.

أولًا، ستشهد HBM أيضًا تحسينات من TurboQuant، عبر السماح للاستدلال المعتمد على HBM بتوفير نوافذ سياق أكبر. لذا لن ينتقل استدلال الذكاء الاصطناعي بالكامل إلى وحدات المعالجة المركزية أو الذاكرة التقليدية. وبالنسبة للتطبيقات التي تتطلب زمن استجابة قصيرًا للغاية، ستظل HBM على الأرجح مستخدمة إلى حد ما.

كذلك، تظل HBM هي النوع الرئيسي من الذاكرة لتدريب نماذج ذكاء اصطناعي، وTurboQuant لا يؤثر على ذلك. وبينما سيكون الاستدلال هو السوق الأكبر في المستقبل، فمن المرجح أن يستمر الطلب على HBM للتدريب في الزيادة أيضًا. وبما أننا حاليًا نعاني من نقص كبير في HBM، ولم يتم حتى تطبيق TurboQuant خارج مختبر Google بعد، فستحظى شركات الذاكرة بوقت لتعديل نمو إمداداتها وفقًا لذلك.

لكن قد لا تكون هناك حاجة حتى إلى تعديلات على جانب الإمداد، إذ قد ينطبق “مفارقة جيفون” على TurboQuant كما انطبق على DeepSeek. تنص مفارقة جيفون على أنه عندما تصبح عملية ما أكثر كفاءة، بدلًا من استخدام قدر أقل من مدخلاتها، فإن الطلب يزيد فعليًا على تلك الموارد، لأن الكفاءة الأعلى تفتح المجال لاعتمادها على نطاق أوسع وظهور المزيد من حالات الاستخدام.

وبما أن معظم شركات التكنولوجيا الكبرى تعتقد أننا ما زلنا في بداية عصر الذكاء الاصطناعي، فإذا كانت TurboQuant تُسرّع معدل إدخال الشركات والمؤسسات والمستهلكين للذكاء الاصطناعي في أعمالهم، فإن موجة الطلب المتزايدة ينبغي أن ترفع جميع السفن.

باختصار، قد تكون هذه الموجة من بيع أسهم الذاكرة فرصة. ورغم أن Micron وشركات المعدات الرأسمالية ذات الصلة بأشباه الموصلات ما زالت مرتفعة جدًا خلال العام الماضي، فقد تكون هذه “الضجة” فرصة لإضافة أو شراء حصة مبدئية، إذا كنت قد فاتتك الارتفاعات خلال العام الماضي.